Prueba técnica

Toda vez que un nuevo promotor de ventas entra a la microfinanciera, recibe un curso de inducción para familiarizarse con la misión y visión de la compañía y se les da una capacitación con una duración de 6 meses. En algunas ocasiones, una vez terminado el perido de capacitación, el promotor decide dar por terminada la relación laboral.

Datos:

• fecha de alta (falta): fecha de ingreso a la empresa
• sexo
• edad en años
• sucursal: sucursal u oficina en la que está asignado el promotor
• div: división o región a la que pertenece la sucursal.
• número de ventas: total de ventas acumuladas en tres meses
• sueldo promedio: pago por las comisiones generadas según el número de ventas
• antigüedad: antigüedad laboral calculada desde de la fecha de inscripción al seguro Social
• trabajos previos
• edo civil
• experiencia
• número de hijos
• escolaridad
• salario diario anterior
• rotación: el asesor renunció (N) después de terminar la capacitación o no (C)

¿Qué valor le generarías a la empresa a partir de estos datos? Puedes utilizar la herramienta que desees y contarás con 30 minutos para exponer tus ideas. El formato para presentar también es a tu elección.

Librerias

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
import scipy.stats
import sklearn.metrics
import statsmodels.api as sm
import statsmodels.formula.api as smf
import statsmodels.stats as ss
from sklearn.preprocessing import StandardScaler

Dataframe y características

df = pd.read_csv('PruebaTecnicaAll.csv')

Corrección de datos

df.NUM_HIJOS.replace(to_replace='sin hijos', value='0', regex=True, inplace=True)
df.NUM_HIJOS.replace(to_replace='mas de 4', value='más de 4', regex=True, inplace=True)

Marco general del dataframe

df = df.rename(columns={'NUMERO_EMPLEADO': 'Numero',
                        'GENERO': 'Genero',
                        'EDAD': 'Edad',
                        'NUM_HIJOS': 'Hijos',
                        'Antigüedad': 'Antigüedad',
                        'NUM_TRABAJOS_PREVIOS': 'Trabajos anteriores',
                        'F_ALTA': 'Alta',
                        'SUCURSAL' : 'Sucursal',
                        'Div' : 'Division',
                        'NUM_VENTAS' : 'Ventas',
                        'SUELDO_PROM' : 'Sueldo',
                        'SALARIO_DIARIO_ANT': 'Salario Anterior Diario',
                        'NUM_DIAS' : 'Dias',
                        'RENUNCIO': 'Continuo',
                        'Unnamed: 14' : 'Salario Actual Diario'
                        })

Se crea la variable Salario Actual Diario para tener realizar una comparación objetiva de cuánto ganaba anteriormente el empleado.

df['Salario Actual Diario'] = df['Sueldo']/df['Dias']

df.dtypes

Numero                      object
Genero                      object
Edad                         int64
Hijos                       object
Antigüedad                 float64
Trabajos anteriores        float64
Alta                        object
Sucursal                    object
Division                    object
Ventas                       int64
Sueldo                     float64
Salario Anterior Diario    float64
Dias                         int64
Continuo                    object
Salario Actual Diario      float64
dtype: object

df.shape

(17384, 15)

df

	Numero	Genero	Edad	Hijos	Antigüedad	Trabajos anteriores	Alta	Sucursal	Division	Ventas	Sueldo	Salario Anterior Diario	Dias	Continuo	Salario Actual Diario
0	F10	F	32	0	5.0	1.0	02/01/12	CHIMALISTAC	SUR	1	316.41	343.0	45	N	7.031333
1	F100	F	40	0 a 4	NaN	NaN	16/01/12	COUNTRY CLUB	NORTE	27	19013.76	NaN	281	C	67.664626
2	F1000	M	36	más de 4	22.0	6.0	26/03/12	TOLUCA LERMA	SUR	7	4037.13	332.0	185	C	21.822324
3	F10000	F	26	0	0.0	0.0	18/03/14	CD. JUAREZ BARRANCAS	NORESTE	13	11831.42	374.0	76	N	155.676579
4	F10001	F	28	0 a 4	11.0	3.0	18/03/14	MONTERREY GUADALUPE	NORESTE	1	325.64	237.0	34	N	9.577647
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
17379	F9995	F	33	0 a 4	NaN	NaN	18/03/14	COLIMA	NORTE SURESTE	8	5807.17	160.0	115	N	50.497130
17380	F9996	F	27	más de 4	NaN	NaN	18/03/14	MONTERREY SANTA LUCIA	NORESTE	1	1411.09	403.0	58	N	24.329138
17381	F9997	M	40	0	NaN	NaN	18/03/14	CHIHUAHUA VILLA	NORESTE	3	2387.99	60.0	73	N	32.712192
17382	F9998	F	30	0 a 4	NaN	NaN	18/03/14	DURANGO	NORESTE	7	3799.08	12.0	86	N	44.175349
17383	F9999	M	44	0 a 4	NaN	NaN	18/03/14	MONTERREY LEONES	NORESTE	21	20623.58	301.0	141	N	146.266525

17384 rows × 15 columns

Porcentaje de decersión

df.Continuo.value_counts(normalize =True).plot(kind='pie')

<matplotlib.axes._subplots.AxesSubplot at 0x7f02869d33a0>

df.Continuo.value_counts(normalize=True)

N    0.700357
C    0.299643
Name: Continuo, dtype: float64

De entrada se logra apreciar que el 70% de los empleados no continua después de la capacitación.

Exploratorio de datos

Encontrar correlación entre variables

sns.pairplot(df, hue='Continuo')

<seaborn.axisgrid.PairGrid at 0x7f7efe52aa60>

f, ax = plt.subplots(figsize=(10, 8))
corr = df.corr()
sns.heatmap(corr, mask=np.zeros_like(corr, dtype=np.bool), cmap=sns.diverging_palette(220, 10, as_cmap=True),
            square=True, ax=ax)

<ipython-input-11-b11b29850ac1>:3: DeprecationWarning: `np.bool` is a deprecated alias for the builtin `bool`. To silence this warning, use `bool` by itself. Doing this will not modify any behavior and is safe. If you specifically wanted the numpy scalar type, use `np.bool_` here.
Deprecated in NumPy 1.20; for more details and guidance: https://numpy.org/devdocs/release/1.20.0-notes.html#deprecations
  sns.heatmap(corr, mask=np.zeros_like(corr, dtype=np.bool), cmap=sns.diverging_palette(220, 10, as_cmap=True),

<matplotlib.axes._subplots.AxesSubplot at 0x7f0286975c40>

corr = df.corr()
corr = (corr)
sns.heatmap(corr,
            xticklabels=corr.columns.values,
            yticklabels=corr.columns.values)
plt.title('Heatmap of Correlation Matrix')
corr

	Edad	Antigüedad	Trabajos anteriores	Ventas	Sueldo	Salario Anterior Diario	Dias	Salario Actual Diario
Edad	1.000000	0.067000	0.047917	0.097661	0.105192	-0.019435	0.120611	0.006989
Antigüedad	0.067000	1.000000	0.768011	0.013818	0.025581	-0.017535	0.020887	0.008860
Trabajos anteriores	0.047917	0.768011	1.000000	0.008409	0.018570	-0.014600	0.016021	0.003522
Ventas	0.097661	0.013818	0.008409	1.000000	0.909293	-0.002646	0.600891	0.347998
Sueldo	0.105192	0.025581	0.018570	0.909293	1.000000	-0.011242	0.578077	0.455808
Salario Anterior Diario	-0.019435	-0.017535	-0.014600	-0.002646	-0.011242	1.000000	-0.003768	-0.007059
Dias	0.120611	0.020887	0.016021	0.600891	0.578077	-0.003768	1.000000	-0.203310
Salario Actual Diario	0.006989	0.008860	0.003522	0.347998	0.455808	-0.007059	-0.203310	1.000000

Medidas de tendencia central

df.describe()

	Edad	Antigüedad	Trabajos anteriores	Ventas	Sueldo	Salario Anterior Diario	Dias	Salario Actual Diario
count	17384.000000	15935.000000	15935.000000	17384.000000	17384.000000	15975.000000	17384.000000	17384.000000
mean	34.739301	14.289677	3.520552	10.481477	7997.453572	222.736839	203.439427	48.999330
std	7.809158	8.357312	2.685856	8.428932	7370.217956	186.142087	267.576797	36.232031
min	4.000000	0.000000	0.000000	1.000000	10.000000	0.000000	3.000000	0.072473
25%	29.000000	8.000000	2.000000	3.000000	1793.350000	89.000000	60.000000	21.830323
50%	33.000000	13.000000	3.000000	8.000000	5526.670000	180.000000	105.000000	41.129847
75%	39.000000	19.000000	5.000000	17.000000	12890.962500	306.000000	217.000000	67.136448
max	67.000000	46.000000	25.000000	49.000000	55821.380000	1209.000000	1935.000000	391.193165

des = df.groupby('Continuo')
des.mean()

	Edad	Antigüedad	Trabajos anteriores	Ventas	Sueldo	Salario Anterior Diario	Dias	Salario Actual Diario
Continuo
C	36.019965	14.564826	3.579256	19.882319	15726.874845	220.691415	485.638510	44.320378
N	34.191376	14.171703	3.495382	6.459384	4690.467501	223.667881	82.702259	51.001191

Limpieza de datos

df.isnull().transpose().pipe(
    lambda df: (
        sns.heatmap(
            data = df
        )
    )
)

<matplotlib.axes._subplots.AxesSubplot at 0x7f0286975220>

df.isnull().sum()

Numero                        0
Genero                        0
Edad                          0
Hijos                         0
Antigüedad                 1449
Trabajos anteriores        1449
Alta                          0
Sucursal                   1364
Division                      3
Ventas                        0
Sueldo                        0
Salario Anterior Diario    1409
Dias                          0
Continuo                      0
Salario Actual Diario         0
dtype: int64

dfd = df.dropna()

des1 = dfd.groupby('Continuo')
des1.mean()

	Edad	Antigüedad	Trabajos anteriores	Ventas	Sueldo	Salario Anterior Diario	Dias	Salario Actual Diario
Continuo
C	35.989525	14.461359	3.548184	20.130354	15874.954711	220.869413	491.641760	44.160177
N	34.010296	14.061347	3.462999	6.697340	4840.132715	223.417954	83.599421	51.917169

dfd.Continuo.value_counts(normalize =True).plot(kind='pie')

<matplotlib.axes._subplots.AxesSubplot at 0x7f0283957850>

dfd.Continuo.value_counts(normalize=True)

N    0.684581
C    0.315419
Name: Continuo, dtype: float64

Subcojuntos N y C, para empleados que No continuario y los que Continuaron

Al final, se decide dejar los datos originales por pérdida de información

Segementación de subgrupos para la variable de interés

c = df[df["Continuo"]!="N"]

n = df[df["Continuo"]!="C"]

c.shape

(5209, 16)

n.shape

(12175, 16)

n.describe()

	Edad	Antigüedad	Trabajos anteriores	Ventas	Sueldo	Salario Anterior Diario	Dias	Salario Actual Diario
count	12175.000000	11153.000000	11153.000000	12175.000000	12175.000000	10978.000000	12175.000000	12175.000000
mean	34.191376	14.171703	3.495382	6.459384	4690.467501	223.667881	82.702259	51.001191
std	7.594431	8.306722	2.665034	5.877072	4879.355451	187.601736	40.881931	39.216242
min	4.000000	0.000000	0.000000	1.000000	10.000000	0.000000	3.000000	0.162338
25%	29.000000	8.000000	2.000000	2.000000	1215.900000	88.000000	50.000000	21.286558
50%	32.000000	12.000000	3.000000	4.000000	2930.720000	180.000000	74.000000	42.296250
75%	38.000000	19.000000	5.000000	9.000000	6556.925000	307.000000	109.000000	70.757461
max	67.000000	46.000000	25.000000	44.000000	47202.300000	1206.000000	179.000000	391.193165

c.describe()

	Edad	Antigüedad	Trabajos anteriores	Ventas	Sueldo	Salario Anterior Diario	Dias	Salario Actual Diario
count	5209.000000	4782.000000	4782.000000	5209.000000	5209.000000	4997.000000	5209.000000	5209.000000
mean	36.019965	14.564826	3.579256	19.882319	15726.874845	220.691415	485.638510	44.320378
std	8.147638	8.468619	2.733183	5.494217	6350.802028	182.896408	348.334742	27.485226
min	21.000000	0.000000	0.000000	1.000000	46.890000	0.000000	181.000000	0.072473
25%	30.000000	8.000000	2.000000	16.000000	11494.930000	91.000000	238.000000	22.622990
50%	34.000000	13.000000	3.000000	19.000000	15046.090000	178.000000	351.000000	39.048052
75%	41.000000	20.000000	5.000000	23.000000	19332.080000	304.000000	597.000000	60.023136
max	64.000000	44.000000	23.000000	49.000000	55821.380000	1209.000000	1935.000000	216.601429

1. Primera propuesta de generación de valor a la empresa:

Análisis de deserción

Con base en el análisis de correlación de variables, se observan los siguientes casos donde las variables tienen una aparente correlación asociada con si continúan o no en la empresa.

1. Ventas vs Sueldo

sns.jointplot(data=df, x='Sueldo', y='Ventas', hue='Continuo')

<seaborn.axisgrid.JointGrid at 0x7f029d7a8040>

Resulta evidente inferir que mientras mayores sean las ventas de un promotor, mayor será el sueldo promedio del mismo, y en este análisis se logra observar que a su vez, la mayoría de los empleados que continúan después de la capacitación tienen sueldos y ventas altas.

1. Antigüedad vs Trabajos Anteriores

sns.jointplot(data=df, x='Antigüedad', y='Trabajos anteriores', hue='Continuo')

<seaborn.axisgrid.JointGrid at 0x7f02817b1760>

Entre estas dos variables además de correlación, hay causalidad, entre más trabajos haya tenido una persona, por ende tendrá más tiempo de estar inscrito en el seguro social. Observamos también que estos factores no intervienen en si el promotor continúa o no después de la capacitación.

De las correlaciones podemos inferir que los empleados que más venden, son los que tienen un mayor sueldo, y por ende, los que permanecen en la empresa después de la capacitación. Teniendo esto en claro, vale la pena analizar qué otros facores influyen en que un empleado venda más, gane más y por lo tanto continúe en la empresa.

1. Genero VS ventas, salario promedio y deserción.

sns.pairplot(df, hue='Genero')

<seaborn.axisgrid.PairGrid at 0x7f0283849be0>

(pd.crosstab(df['Genero'],df['Continuo'],
             normalize='index')
   .plot.bar(stacked=True)
)

<matplotlib.axes._subplots.AxesSubplot at 0x7f02838ad2e0>

Podemos observar que no existe una relación entre el género del trabajador y su éxito en ventas, lo que gane y su permanencia en el negocio, el género femenino aventaja por poco al masculiino.

1. Hijos VS ventas, salario promedio y deserción.

sns.pairplot(df, hue='Hijos')

<seaborn.axisgrid.PairGrid at 0x7f7edc8957c0>

(pd.crosstab(df['Hijos'],df['Continuo'],
             normalize='index')
   .plot.bar(stacked=True)
)

<matplotlib.axes._subplots.AxesSubplot at 0x7f027e99a7f0>

Al igual que en el caso anterior, se logra apreciar que la cantidad de hijos que un empleado tiene, no afecta directamente variables como sus ventas, su salario o su tiempo en la empresa, que son las variables relacionadas directamente con la deserción o no del promotor.

1. Division VS ventas, salario promedio y deserción.

sns.pairplot(df, hue='Division')

<seaborn.axisgrid.PairGrid at 0x7f7edba049d0>

(pd.crosstab(df['Division'],df['Continuo'],
             normalize='index')
   .plot.bar(stacked=True)
)

<matplotlib.axes._subplots.AxesSubplot at 0x7f027e92dd90>

Nuevamente, no se observa un patrón claro en función de la división a la que el promotor permaneza, al menos en términos de pasar el tiempo de capacitación, pero como logramos apreciar, los empleados que llevan más días son los de las divisiones norte y sur, lo que podría dar una pauta de como incentivar a que los empleados permanezcan más tiempo. La divisón NORTE SURESTE es la que aventaja por poco a las demás.

Segunda propuesta de generacion de valor a la empresa

1. Deserción por edades Con la segmentación de c y n o bien crear una nueva por edades, observar que grupos de edades son los que más desertan en la capacitación. bold text

conditions = [
    (df['Edad'] <= 20),
    (df['Edad'] > 20) & (df['Edad'] <= 30),
    (df['Edad'] > 30) & (df['Edad'] <= 40),
    (df['Edad'] > 40) & (df['Edad'] <= 50),
    (df['Edad'] > 50) & (df['Edad'] <= 60),
    (df['Edad'] > 60)
    ]

values = ['20', '20_30', '30_40', '40_50', '50_60', '60']

df['Edad_Rango'] = np.select(conditions, values)

(pd.crosstab(df['Edad_Rango'],df['Continuo'],
             normalize='index')
   .plot.bar(stacked=True)
)

<matplotlib.axes._subplots.AxesSubplot at 0x7f027e88e640>

sns.displot(df, x='Dias', hue = 'Edad_Rango', multiple='stack', log_scale=False)

<seaborn.axisgrid.FacetGrid at 0x7f027ea19580>

Aunque las medias de las edades tanto de desertores como de empleados que se quedan es bastante similar, encontramos que el grupo de edad con más promotores que continuan después de la capacitación se encuentra en el rango de entre 40 y 50 años. Se le puede generar valor a la empresa privilegiando la contratación de gente en este rango de edad, pues eso disminuiría la rotación Por otro lado, la mayoría de los promotores de entre 20 y 30 años suelen abandonar después de la capacitación.

Tercera propuesta de generación de valor a la empresa

1. Aumento de salario respecto al anterior Diferencia porcentual entre el trabajo anterior y el trabajo actual entre el número de ventas

Media para todo ek universo

df['Salario Anterior Diario'].mean()

222.73683881064161

df['Salario Actual Diario'].mean()

48.99932965102618

df['Sueldo'].mean()

7997.453572250345

Media para C (continua)

c['Salario Anterior Diario'].mean()

220.69141484890935

c['Salario Actual Diario'].mean()

44.3203782571962

media_continuo_diario = [c['Salario Anterior Diario'].mean(), c['Salario Actual Diario'].mean()]

media_continuo = [c['Salario Anterior Diario'].mean(), c['Sueldo'].mean()]

Media para N (no continua)

n['Salario Anterior Diario'].mean()

223.66788121697942

n['Salario Actual Diario'].mean()

51.00119066215228

media_nocontinuo_diario = [n['Salario Anterior Diario'].mean(), n['Salario Actual Diario'].mean()]

media_nocontinuo = [n['Salario Anterior Diario'].mean(), n['Sueldo'].mean()]

plt.plot(media_continuo_diario,'b', media_nocontinuo_diario, 'orange')
plt.show()

En ambos casos, tanto en personal que continua como en el que no, observamos que el salario diario tiende a reducirse, sin embargo observamos que es ligeramente menor tanto anterior como actual para los promotores que siguen en la empresa después de la capacitación.

plt.plot(media_continuo,'b', media_nocontinuo, 'orange')
plt.show()

Por otro lado, si comparamos las variables directas, es decir, el salario diario anterior directamente con el sueldo actual del promotor (sin dividir entre el número de ventas del mismo) se observa un aumento para ambas, pero es claro que los promotores que continuaron después de la capacitación aumentaron mucho más.

La promotora obtendría valor al mejorar la capacitación, incentivar a los promotores nuevos y fomentar el ambiente para que estos eleven sus ventas, lo que además de lograr retenerlos por más tiempo, aumentaría directamente las ventas de la empresa.

Cuarta propuesta de generación de valor: perspectiva de genero

h = df[df["Genero"]!="F"]

m = df[df["Genero"]!="M"]

h.describe()

	Edad	Antigüedad	Trabajos anteriores	Ventas	Sueldo	Salario Anterior Diario	Dias	Salario Actual Diario
count	8198.000000	7533.000000	7533.000000	8198.000000	8198.000000	7595.000000	8198.000000	8198.000000
mean	35.163942	14.173636	3.501527	9.594169	7147.020940	223.412640	170.395096	48.402850
std	7.749664	8.227844	2.658597	8.174942	7007.481793	186.380328	225.509519	36.153378
min	4.000000	0.000000	0.000000	1.000000	10.000000	0.000000	7.000000	0.072473
25%	30.000000	8.000000	2.000000	2.000000	1523.440000	90.000000	57.000000	21.373012
50%	33.000000	13.000000	3.000000	7.000000	4599.550000	182.000000	94.000000	40.604000
75%	39.000000	19.000000	5.000000	16.000000	11419.010000	305.000000	178.000000	66.614764
max	67.000000	46.000000	25.000000	49.000000	51331.000000	1195.000000	1907.000000	391.193165

m.describe()

	Edad	Antigüedad	Trabajos anteriores	Ventas	Sueldo	Salario Anterior Diario	Dias	Salario Actual Diario
count	9186.000000	8402.000000	8402.000000	9186.000000	9186.000000	8380.000000	9186.000000	9186.000000
mean	34.360331	14.393716	3.537610	11.273351	8756.417944	222.124344	232.929676	49.531655
std	7.842900	8.470845	2.710106	8.572535	7599.916882	185.934900	297.106616	36.295771
min	19.000000	0.000000	0.000000	1.000000	10.000000	0.000000	3.000000	0.168919
25%	28.000000	8.000000	2.000000	3.000000	2109.652500	88.000000	64.000000	22.133486
50%	32.000000	13.000000	3.000000	10.000000	6752.715000	178.000000	115.000000	41.390386
75%	39.000000	20.000000	5.000000	18.000000	13916.197500	307.000000	259.000000	67.874930
max	64.000000	45.000000	23.000000	45.000000	55821.380000	1209.000000	1935.000000	315.663377

h_dict = {'Antiguedad':h['Antigüedad'].mean(), 'Ventas':h['Ventas'].mean(), 'Sueldo':h['Sueldo'].mean(), 'Dias':h['Dias'].mean()}
h_names = list(h_dict.keys())
h_values = list(h_dict.values())

h_dict

{'Antiguedad': 14.17363600159299,
 'Ventas': 9.594169309587704,
 'Sueldo': 7147.020940473286,
 'Dias': 170.39509636496706}

m_dict = {'Antiguedad':m['Antigüedad'].mean(), 'Ventas':m['Ventas'].mean(), 'Sueldo':m['Sueldo'].mean(), 'Dias':m['Dias'].mean()}
m_names = list(m_dict.keys())
m_values = list(m_dict.values())

m_dict

{'Antiguedad': 14.393715781956677,
 'Ventas': 11.273350751143044,
 'Sueldo': 8756.41794360984,
 'Dias': 232.92967559329415}

Observamos un mayor número de ventas y de permanencia en la empresa por parte de las promotoras de género femenino. Diversos estudios sugieren que una empresa diversa tiende a ser más prospera, sin embargo es probable que para algunas posiciones en particular un género tenga más éxito que otro, como arroja esta estadística.

Transformación de variables

df.Genero.replace(to_replace='F', value='0', regex=True, inplace=True)
df.Genero.replace(to_replace='M', value='1', regex=True, inplace=True)

df.Division.replace(to_replace='METROPOLITANA', value='0', regex=True, inplace=True)
df.Division.replace(to_replace='NORESTE', value='1', regex=True, inplace=True)
df.Division.replace(to_replace='NORTE', value='2', regex=True, inplace=True)
df.Division.replace(to_replace='NORTE SURESTE', value='3', regex=True, inplace=True)
df.Division.replace(to_replace='SUR', value='4', regex=True, inplace=True)

df.Hijos.replace(to_replace='0', value='0', regex=True, inplace=True)
df.Hijos.replace(to_replace='0 a 4', value='1', regex=True, inplace=True)
df.Hijos.replace(to_replace='más de 4', value='2', regex=True, inplace=True)

df['Salario Anterior Diario'].replace(to_replace='', value='0', regex=True, inplace=True)
df['Trabajos anteriores'].replace(to_replace='', value='0', regex=True, inplace=True)

Modelos de clasificación

from sklearn.model_selection import train_test_split

from sklearn.metrics import accuracy_score
from sklearn.metrics import confusion_matrix

from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC

X = df.drop('Continuo', axis=1)
labels = df['Continuo']
X_train, X_test, labels_train, labels_test = train_test_split(X, labels, random_state=1, test_size = 0.2)
predictors = ["Ventas","Sueldo", "Edad", "Genero", "Hijos"]

Arbol de decisión

model = DecisionTreeClassifier()
model.fit(X_train[predictors], labels_train)
labels_predict = model.predict(X_test[predictors])
accuracy_score(labels_test, labels_predict)

0.8354903652574058

pd.DataFrame(
    confusion_matrix(labels_test, labels_predict),
    columns=['Predicción continuó', 'Predicción no continuó'],
    index=['Verdadero continuó', 'Verdadero no continuó']
)

	Predicción continuó	Predicción no continuó
Verdadero continuó	729	308
Verdadero no continuó	264	2176

Bosque aleatorio

model = RandomForestClassifier()
model.fit(X_train[predictors], labels_train)
labels_predict = model.predict(X_test[predictors])
accuracy_score(labels_test, labels_predict)

0.8754673569168824

pd.DataFrame(
    confusion_matrix(labels_test, labels_predict),
    columns=['Predicción continuó', 'Predicción no continuó'],
    index=['Verdadero continuó', 'Verdadero no continuó']
)

	Predicción continuó	Predicción no continuó
Verdadero continuó	867	170
Verdadero no continuó	263	2177

pd.Series(model.feature_importances_, index=predictors).sort_values(ascending=False)

Sueldo    0.441245
Ventas    0.422520
Edad      0.103584
Hijos     0.022438
Genero    0.010212
dtype: float64

K-Vecinos más cercanos

model = KNeighborsClassifier()
model.fit(X_train[predictors], labels_train)
labels_predict = model.predict(X_test[predictors])
accuracy_score(labels_test, labels_predict)

0.8478573482887547

pd.DataFrame(
    confusion_matrix(labels_test, labels_predict),
    columns=['Predicción continuó', 'Predicción no continuó'],
    index=['Verdadero continuó', 'Verdadero no continuó']
)

	Predicción continuó	Predicción no continuó
Verdadero continuó	774	263
Verdadero no continuó	266	2174

Regresión logística

model = LogisticRegression()
model.fit(X_train[predictors], labels_train)
labels_predict = model.predict(X_test[predictors])
accuracy_score(labels_test, labels_predict)

---------------------------------------------------------------------------
NameError                                 Traceback (most recent call last)
<ipython-input-2-f3c4dc3548e7> in <module>
----> 1 model = LogisticRegression()
      2 model.fit(X_train[predictors], labels_train)
      3 labels_predict = model.predict(X_test[predictors])
      4 accuracy_score(labels_test, labels_predict)

NameError: name 'LogisticRegression' is not defined

model = SVC(kernel='linear')
model.fit(X_train[predictors], labels_train)
labels_predict = model.predict(X_test[predictors])
accuracy_score(labels_test, labels_predict)

---------------------------------------------------------------------------
NameError                                 Traceback (most recent call last)
<ipython-input-1-c07109b39b6b> in <module>
----> 1 model = SVC(kernel='linear')
      2 model.fit(X_train[predictors], labels_train)
      3 labels_predict = model.predict(X_test[predictors])
      4 accuracy_score(labels_test, labels_predict)

NameError: name 'SVC' is not defined